arXiv:2602.17975v2 Announce Type: replace 
Abstract: This work formulates and solves optimization problems to generate input points that yield high errors between a neural network's predicted AC power flow solution and solutions to the AC power flow equations. We demonstrate this capability on an instance of the CANOS-PF graph neural network model, as implemented by the PF$\Delta$ benchmark library, operating on a 14-bus test grid. Generated adversarial points yield errors as large as 3.7 per-unit in reactive power and 0.08 per-unit in voltage magnitude. When minimizing the perturbation from a training point necessary to satisfy adversarial constraints, we find that the constraints can be met with as little as an 0.04 per-unit perturbation in voltage magnitude on a single bus. This work motivates the development of rigorous verification and robust training methods for neural network surrogate models of AC power flow.

تم إجراء بحث لصياغة وحل مشكلات تحسين تهدف إلى توليد مدخلات عدائية لنموذج شبكة عصبية رسومية لتدفق الطاقة المتناوبة. توضح هذه الدراسة هذه القدرة بشكل خاص على نموذج CANOS-PF باستخدام مكتبة PFΔ المرجعية، مما يكشف عن أخطاء كبيرة في حلول تدفق الطاقة المتناوبة المتوقعة على شبكة اختبار مكونة من 14 حافلة.

Se ha llevado a cabo una investigación para formular y resolver problemas de optimización con el fin de generar entradas adversariales para un modelo de red neuronal gráfica de flujo de potencia de CA. Este estudio demuestra específicamente esta capacidad en el modelo CANOS-PF utilizando la biblioteca de referencia PFΔ, revelando errores significativos en las soluciones de flujo de potencia de CA predichas en una red de prueba de 14 buses.

Des recherches ont été menées pour formuler et résoudre des problèmes d'optimisation visant à générer des entrées adversariales pour un modèle de réseau de neurones graphiques de flux de puissance AC. Cette étude démontre spécifiquement cette capacité sur le modèle CANOS-PF utilisant la bibliothèque de référence PFΔ, révélant des erreurs significatives dans les solutions de flux de puissance AC prédites sur un réseau de test à 14 bus.

Research has been conducted to formulate and solve optimization problems aimed at generating adversarial inputs for a graph neural network model of AC power flow. This study specifically demonstrates the capability on the CANOS-PF model using the PFΔ benchmark library, revealing significant errors in predicted AC power flow solutions on a 14-bus test grid.